《GRL_Book》阅读笔记
《Graph Representation Learning》by William L. Hamilton
智慧的旋风
这个作者很懒,什么都没留下…
展开
-
《Graph Representation Learning》【8】——Traditional Graph Generation Approaches
Part III Generative Graph Models8 Traditional Graph Generation Approaches这一部分主要介绍图生成(graph generation),它和之前介绍的图表示学习不同,但却很相似。既然是图生成,那么我们到底希望生成什么样的图呢?这个问题的答案是显而易见的——生成包含一些理想性质(property)的真实世界的图。这一章主要介绍传统的图生成方法。8.1 Overview of Traditional Approaches...原创 2020-12-07 14:43:18 · 379 阅读 · 1 评论 -
《Graph Representation Learning》【7】——Theoretical Motivations
7 Theoretical Motivations这一章主要是介绍不同的GNN理论动机,主要分为3类:(1)基于图信号处理和图卷积的GNN(2)基于概率推理的GNN(3)基于图同构测试GNN这三种看似截然不同的理论动机,背后其实都有相似的核心思想,最终殊途同归,都可以推导出GNN消息传递框架。7.1 GNNs and Graph Convolutions...原创 2020-12-06 18:30:03 · 260 阅读 · 0 评论 -
《Graph Representation Learning》【6】——Graph Neural Networks in Practice
6 Graph Neural Networks in Practice这一部分,主要会介绍在实践过程中,如何优化GNN模型。比如,我们该选择什么样的损失函数、如何进行正则化、是否要进行预训练等等。6.1 Applications and Loss FunctionsGNN的学习任务一般可以分为3类:(1)节点分类(node classification)(2)图分类(graph classification)(3)关联预测(relation classification)针对这几类不同的任务,原创 2020-12-03 15:08:25 · 254 阅读 · 0 评论 -
《Graph Representation Learning》【5】——The Graph Neural Network Model
Part II Graph Neural Networks5 The Graph Neural Network Model之前,我们一直在介绍基于浅嵌入方法的编解码器模型,在本章中,我们将重点放在更复杂的编码器模型上——GNN模型的通用框架。它的关键思想是,我们希望生成实际依赖于图结构和特征信息的节点表示(node representation)。它所面临的挑战也是严峻的——通用的深度学习工具箱(CNN、RNN等)对于图数据来说并不适用,因此,我们需要针对图数据,定义一种新的深度学习框架。...原创 2020-12-01 16:17:01 · 374 阅读 · 0 评论 -
《Graph Representation Learning》【4】——Multi-relational Data and Knowledge Graphs
4 Multi-relational Data and Knowledge Graphs这一部分,我们将介绍多关系图(multi-relational graph)中的浅层嵌入方法。Knowledge graph completion这一章的大多数方法,最初都是为完成知识图谱任务而设计的。在多关系图中,我们一般会定义这样的三元组(tuple):e=(u,τ,v)e=(u,\tau,v)e=(u,τ,v),来表示两个节点之间存在某种关系。一般来说,知识图谱任务的目标是预测图中缺失的边,即链接预测(li原创 2020-11-27 10:40:01 · 693 阅读 · 1 评论 -
《Graph Representation Learning》【3】——Neighborhood Reconstruction Methods
Part 1 Node Embeddings3 Neighborhood Reconstruction Methods文章目录Part 1 Node Embeddings3 Neighborhood Reconstruction Methods3.1 An Encoder-Decoder Perspective3.1.1 The Encoder3.1.2 The Decoder3.1.3 Optimizing an Encoder-Decoder Model3.1.4 Overview of the E原创 2020-11-26 14:25:56 · 558 阅读 · 0 评论 -
《Graph Representation Learning》【2】——Background and Traditional Approaches
2 Background and Traditional Approaches在这一章中,我们将介绍的传统的图学习方法。这些内容虽然古老,但是确是后续章节的基础,也需要认真对待。2.1 Graph Statistics and Kernel Methods这类方法,主要是根据启发式函数或领域知识,提取一些统计信息或特征,然后将这些特征作为标准机器学习分类器的输入。这一部分是介绍各种启发式统计信息和图属性,它们通常被用作传统机器学习的输入。2.1.1 Node-level statistics原创 2020-11-25 10:29:43 · 478 阅读 · 0 评论 -
《Graph Representation Learning》【1】——Introduction
《Graph Representation Learning》《Graph Representation Learning》。Hamilton大神的书。Abstract这本书的目标是提供一个图形表示学习的综合和概述。我们首先讨论图表示学习的目标,以及图论和网络分析的关键方法论基础。在此基础上,我们介绍并回顾了节点嵌入的学习方法,包括基于随机游走的方法及其在知识图中的应用。然后,我们对高度成功的图形神经网络(GNN)形式进行了技术综合和介绍,它已成为图形数据深度学习的主导和快速发展的范例。这本书最后综合原创 2020-11-24 15:56:49 · 532 阅读 · 1 评论